論文の概要: DY-LUT: Depth-Aware YCbCr Lookup Tables for Real-Time Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2607.22801v1
• Date: Fri, 24 Jul 2026 14:50:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.881651
• Title: DY-LUT: Depth-Aware YCbCr Lookup Tables for Real-Time Underwater Image Enhancement
• Title（参考訳）: DY-LUT:リアルタイム水中画像強調のための深度対応YCbCrルックアップテーブル
• Authors: Cunhao Zhu, Xiangtao Kong, Dongliang Xu, Zhiheng Zhang, Tianyu Wang, Yue Yao,
• Abstract要約: DY-LUTはリアルタイム拡張のための深度対応YCbCrルックアップテーブルフレームワークである。 デュアルブランチエンコーダは、画像レベル融合重みと、画像特徴と深度特徴から画素ワイド劣化指標の結合対を予測する。 DY-LUTは、深度条件で空間適応的な復元を可能にしながら、従来のLUT効率を維持する。
• 参考スコア（独自算出の注目度）: 22.4963770857849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater image enhancement is challenged by spatially non-uniform, wavelength-dependent attenuation. Propagation distance and wavelength govern this degradation, while YCbCr separates luminance from chrominance for restoration. We propose DY-LUT, a depth-aware YCbCr lookup-table framework for real-time enhancement. A dual-branch encoder predicts image-level fusion weights and a joint pair of pixel-wise degradation indices from image and depth features. These quantities condition learnable 4D LUTs, followed by lightweight local refinement. DY-LUT preserves traditional LUT efficiency while enabling depth-conditioned, spatially adaptive restoration. With externally supplied depth, its 3.56M-parameter enhancement network achieves competitive quality on UIEB-90 and LSUI and runs $9$--$304\times$ faster than representative high-capacity baselines. Adaptive inference further maintains real-time performance ($\sim7$ ms) for 4K UIQAD images. DY-LUT also benefits downstream detection and feature matching. Ablations show that YCbCr is a more effective basis than RGB for depth-conditioned lookup, while the jointly learned indices further improve adaptive querying. These results provide a physically grounded route to efficient UIE on practical platforms.
• Abstract（参考訳）: 水中画像の強調は、空間的に一様で波長に依存しない減衰によって達成される。 伝搬距離と波長がこの分解を制御し、YCbCrは回復のために発光と発光を分離する。 リアルタイム強化のための深度対応YCbCrルックアップテーブルフレームワークであるDY-LUTを提案する。 デュアルブランチエンコーダは、画像レベル融合重みと、画像特徴と深度特徴から画素ワイド劣化指標の結合対を予測する。 これらの量条件は4D LUTを学習し、続いて軽量な局所精錬を行う。 DY-LUTは、深度条件で空間適応的な復元を可能にしながら、従来のLUT効率を維持する。 外部から供給される深度により、3.56Mパラメータ拡張ネットワークは、UIEB-90とLSUIの競争品質を達成し、代表的高容量ベースラインよりも9$--304\times$速く動作する。 アダプティブ推論は、4K UIQADイメージのリアルタイムパフォーマンス(\sim7$ ms)をさらに維持する。 DY-LUTは下流の検出と特徴マッチングにも有効である。 アブレーションは、YCbCrが深度条件のルックアップにおいてRGBよりも効果的であることを示しているが、共同学習された指標は適応的なクエリリングをさらに改善している。 これらの結果は、実用的なプラットフォーム上での効率的なUIEへの物理的に接地された経路を提供する。

関連論文リスト

• UHD Low-Light Image Enhancement via Real-Time Enhancement Methods with Clifford Information Fusion [51.51707075741303]
  幾何学的特徴融合に基づく新しいリアルタイムUHD低照度拡張ネットワークを提案する。 本手法は,1台のコンシューマグレードデバイス上での4K/8K画像に対するミリ秒レベルの推論を実現する。
  論文  参考訳（メタデータ） (2026-04-10T13:47:04Z)
• Advancing Visual Reliability: Color-Accurate Underwater Image Enhancement for Real-Time Underwater Missions [52.04969451806431]
  正確な色復元が可能なリアルタイム水中画像強調フレームワークを提案する。 提案手法は、7つの評価指標にまたがって最先端の性能を実現する。 多様な環境条件下でUCIQEのスコアを29.7%改善する。
  論文  参考訳（メタデータ） (2026-03-17T10:51:00Z)
• $D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
  リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。 視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。 リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。 D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
  論文  参考訳（メタデータ） (2026-03-17T10:50:36Z)
• Development of Domain-Invariant Visual Enhancement and Restoration (DIVER) Approach for Underwater Images [5.8522596133394424]
  水中画像は、波長依存性の減衰、散乱、照明の不均一により深刻な劣化を被る。 教師なしのドメイン不変ビジュアルエンハンス・アンド・リカバリフレームワークを提案する。 DIVERは、ロバストな水中画像強調のための物理誘導モデリングと経験的補正を統合している。
  論文  参考訳（メタデータ） (2026-01-30T11:58:40Z)
• Learnable Fractional Reaction-Diffusion Dynamics for Under-Display ToF Imaging and Beyond [41.80709169876722]
  ディスプレイ下のToFイメージングは、スクリーンパネルの下に置かれたToFカメラを通じて正確な深度検知を実現することを目的としている。 本稿では,ニューラルネットワークの表現力と物理モデリングの解釈可能性を組み合わせたハイブリッドフレームワークLFRD2を提案する。
  論文  参考訳（メタデータ） (2025-11-03T16:12:36Z)
• {\mu}Split: efficient image decomposition for microscopy data [50.794670705085835]
  muSplitは、蛍光顕微鏡画像の文脈で訓練された画像分解のための専用アプローチである。 本稿では,大規模な画像コンテキストのメモリ効率向上を実現するメタアーキテクチャである横型文脈化(LC)を提案する。 muSplitを5つの分解タスクに適用し、1つは合成データセットに、もう4つは実際の顕微鏡データから導出する。
  論文  参考訳（メタデータ） (2022-11-23T11:26:24Z)
• Universal and Flexible Optical Aberration Correction Using Deep-Prior Based Deconvolution [51.274657266928315]
  そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。 具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
  論文  参考訳（メタデータ） (2021-04-07T12:00:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。